ОБРАЗОВАТЕЛЬНО-ИССЛЕДОВАТЕЛЬСКАЯ ИНТЕГРИРОВАННАЯ ПЛАТФОРМА ПОДДЕРЖКИ ПРИНЯТИЯ ВРАЧЕБНЫХ РЕШЕНИЙ НА ОСНОВЕ ИНТЕЛЛЕКТУАЛЬНОГО АНАЛИЗА ГИСТОЛОГИЧЕСКИХ ДАННЫХ. СОЗДАНИЕ И ВНЕДРЕНИЕ НЕЙРОСЕТЕВОЙ МОДЕЛИ ДЛЯ ОЦЕНКИ МОРФОЛОГИЧЕСКИХ ИЗМЕНЕНИЙ ЛЕГКИХ ПРИ КОРОНАВИРУСНОЙ ИНФЕКЦИИ COVID-19
Журнал: Научный журнал «Студенческий форум» выпуск №37(216)
Рубрика: Медицина и фармацевтика
![](https://nauchforum.ru/themes/mix_and_match/images/logo.jpg)
Научный журнал «Студенческий форум» выпуск №37(216)
ОБРАЗОВАТЕЛЬНО-ИССЛЕДОВАТЕЛЬСКАЯ ИНТЕГРИРОВАННАЯ ПЛАТФОРМА ПОДДЕРЖКИ ПРИНЯТИЯ ВРАЧЕБНЫХ РЕШЕНИЙ НА ОСНОВЕ ИНТЕЛЛЕКТУАЛЬНОГО АНАЛИЗА ГИСТОЛОГИЧЕСКИХ ДАННЫХ. СОЗДАНИЕ И ВНЕДРЕНИЕ НЕЙРОСЕТЕВОЙ МОДЕЛИ ДЛЯ ОЦЕНКИ МОРФОЛОГИЧЕСКИХ ИЗМЕНЕНИЙ ЛЕГКИХ ПРИ КОРОНАВИРУСНОЙ ИНФЕКЦИИ COVID-19
Актуальность. Легкие как орган дыхательной системы играют важную роль в поддержании гомеостаза организма. Наиболее частой причиной смерти пациентов с инфекцией COVID-19 был респираторный дистресс-синдром взрослого типа (РДСВ), морфологически проявляющийся диффузным альвеолярным повреждением (ДАП). Процессам иммунного ответа отводится ведущая роль в развитии ДАП при инфекции COVID-19 [1]. Создание алгоритма оценки морфологических изменений легких при инфекции COVID-19 с помощью подходов компьютерного анализа позволяет внедрить элементы цифровой патологии в научно-исследовательскую работу, а также образовательный процесс.
Цель: разработать цифровую образовательно-исследовательскую платформу для анализа гистологических данных, создать на ее базе модель нейронной сети, способную графически определять патоморфологические изменения, выявлять количественные и пространственные закономерности иммунного ответа в лёгких при коронавирусной инфекции COVID-19 для дальнейшей интеграции программы в научно-образовательный и практический процессы.
Задачи:
1. Сформировать целевую выборку (датасеты) для обучения модели на множественных примерах патологий.
2. Выбрать оптимальную архитектуру для выполнения задачи и обучить модель-классификатор.
3. Исследовать точность полученной модели.
4. Разработать программный комплекс, интегрирующий ИИ и систему графической аннотации
Материалы и методы. Набор данных состоял из полнослайдовых изображений (WSI) гистологических препаратов легких от 50 пациентов, умерших от COVID-19. Препараты окрашены гематоксилином и эозином. Данные были предоставлены открытой международной научной базой Национального института здоровья США (NIH) и Objective Whole Slide Image Server. Все случаи были анонимизированы.
Результаты и их обсуждение. Была разработана система интегрированная платформа поддержки принятия врачебных решений (ИПППВР), позволяющая создавать высококачественные аннотации [4] в любом масштабе, производить обмен данными, использовать всю информацию для обучения как моделей глубокого обучения, так и пользователей системы (студентов, исследователей). ИПППВР состоит из трех программных компонентов — модели сегментации, модели классификатора и модели активного ученика, — которые совместно поддерживают пользователя-аннотатора платформы. Модель сегментации определяет расположение всех клеток в небольшой области. Аннотатор, обычно квалифицированный патологоанатом, начинает маркировать клетки. Эти метки используются для обучения модели классификатора, которая идентифицирует и помечает области, которые может впоследствии скорректировать аннотатор. По мере того, как классификатор учится на этих исправлениях [4], его прогнозы постепенно улучшаются и требуют меньшего количества исправлений. Когда интересующие патологии достаточно размечены (20–30 аннотаций на класс), модель активного ученика определяет следующую наиболее информативную область для аннотации, и процесс повторяется. ИИ позволяет патологоанатомам отслеживать улучшения классификатора и выявлять ошибки на протяжении всего процесса разметки [3]. Это может способствовать более тесному сотрудничеству с инженерами-программистами и способствовать пониманию недостатков модели и распределению ресурсов для маркировки. В итоге нашей работы была создана нейронная сеть с возможностью определения следующих патоморфологических изменений: тромбы в просветах сосудов различных видов, экссудат, утолщение стенок альвеол, геморрагии. В области иммунного ответа нейронная сеть способна различать клетки иммунной и "неиммунной" природы. Идентифицируя клетки и классифицируя типы клеток, нейросеть может преобразовать изображение патологии в «пространственную карту» клеток. Из этой пространственной карты мы можем извлечь признаки, характеризующие микроокружение исследуемых объектов. На основе этих особенностей разработана прогностическая модель классификатора.
Выводы:
1. Созданная нейросетевая модель позволяет классифицировать клетки иммунного ответа и определять ограниченный спектр морфологических изменений в легких.
2. Разработанная образовательно-исследовательская программная платформа позволила оптимизировать аннотацию и разметку, платформа представляет новые возможности обучения как студентов, так и нейросетевых моделей в направлении патологической анатомии.
![](/sites/default/files/publ_rinc.png)